logo

المصادر المفتوحة

النماذج والأدوات والمدوّنات التي تنشرها مسراج بشكل مفتوح، وأين تجدها.

أين ننشر

حسابان يضمّان كل ما في هذه الصفحة: منظّمة Hugging Face للأوزان ومجموعات البيانات ومجموعات التقييم، ومنظّمة GitHub للشيفرة.

النماذج ذات الأثر المنشور

النماذج التي لها ما يُنزَّل أو يُقرأ: أوزان على Hugging Face أو شيفرة على GitHub أو كلاهما. أما بقية الكتالوج فعلى صفحة النماذج.

  • كوين

    نموذج لغة عربي صغير بحجم 1.5B مبني بمنهجية حقن اللغة، ويشكّل الطبقة الأساسية لنماذجنا اللاحقة.

    لغوي1.5Bأوزان مفتوحة

    جيت هابعرض النموذج

  • مترجم

    ترجمة ثنائية الاتجاه بين العربية والإنجليزية مبنية على كوين، للمجالات العامة والمتخصصة.

    لغوي1.5Bأوزان مفتوحة

    جيت هابعرض النموذج

  • سديد

    نموذج تشكيل عربي مبني على كوين، يعيد التشكيل الكامل للعربية الفصحى والتراثية.

    معالجة لغة متخصصة1.5Bأوزان مفتوحة

    جيت هابعرض النموذج

  • بصير نكبة

    تعرّف على النص العربي المكتوب بخط اليد في المخطوطات التاريخية

    رؤية ولغة3Bتجاري

    هاجينج فيسجيت هابعرض النموذج

مجموعات البيانات المفتوحة

مدوّنات منشورة ليتدرّب عليها غيرنا ويقيّم بها. وحيث لا يوجد مستودع عام لمجموعة بعد، تُدرَج دون رابط بدلًا من إسقاطها.

  • المدوّنة العربية المفتوحة

    أكثر من 35 مليار رمز عربي منسّق ومنشور للعموم، ينمو بانتظام، ليتمكن باحثون آخرون من البناء على نفس قاعدة البيانات بدلًا من البدء من الصفر.

    35B+ tokens

    اقرأ المزيد

  • Wasm: مجموعة بيانات عربية متعددة الوسائط منظمة

    مسار عمل مفتوح لبناء مدوّنات عربية متعددة الوسائط ومنظمة على نطاق واسع من Common Crawl، مع الحفاظ على بنية المستند بصيغة Markdown بدلًا من تسطيحها إلى ضوضاء.

    اقرأ المزيد

  • MSDD: مجموعة بيانات مسراج المنظمة

    مجموعة بيانات عربية متعددة الوسائط وواسعة النطاق أُنشئت بمسار Wasm، مستخرَجة ومُصفّاة من نسخ Common Crawl. وتحافظ على سلامة بنية محتوى الويب على نحو فريد عبر إخراج صيغة Markdown، معالِجةً نقص البيانات المنظمة متعددة الوسائط عالية الجودة للعربية.

    هاجينج فيساقرأ المزيد

  • MUDD: مجموعة بيانات مسراج غير المنظمة

    مجموعة بيانات نصية عربية واسعة النطاق تضم 4,758,338 صفًا، مترجمة من SlimPajama-627B للتدريب المسبق لنماذج اللغة العربية. ويحتفظ كل مُدخَل بمعرّفه الفريد من المصدر الأصلي.

    4,758,338 rows

    هاجينج فيساقرأ المزيد

  • Sadeed Tashkeela

    مدوّنة عربية مُشكَّلة واسعة وعالية الجودة لتدريب نماذج التشكيل العربي وتقييمها. بُني قسم التدريب من نسخة منقّحة من مدوّنة Tashkeela، وقسم الاختبار نسخة محسّنة من مجموعة اختبار Fadel Tashkeela.

    هاجينج فيساقرأ المزيد

  • وصف الصور بالعربية (100M)

    مجموعة بيانات عربية متعددة الوسائط وواسعة النطاق تضم 100 مليون وصف عربي للصور، أُنتجت بنموذج الترجمة «مترجم». وُجدت لسدّ الفجوة في الموارد العربية متعددة الوسائط بما يتيح تدريب أنظمة رؤية ولغة عربية أصلًا.

    100M captions

    هاجينج فيساقرأ المزيد

  • KITAB PDF-to-Markdown (نسخة مراجَعة)

    نسخة مراجَعة ومصحَّحة من مجموعة KITAB-Bench الفرعية لتحويل PDF إلى Markdown، لتقييم التعرّف الضوئي على المستندات العربية. صُحِّحت أخطاء المرجع الصحيح، من نصوص مهلوسة وأرقام صفحات مفقودة ونصوص صغيرة الخط محذوفة، ووُحِّدت الصياغة، مع الإبقاء على المهمة والمخطط الأصليين لتظل مجموعة تقييم جاهزة للاستبدال المباشر.

    هاجينج فيساقرأ المزيد

المعايير المفتوحة

مجموعات تقييم منشورة ليتسنّى إعادة إنتاج النتيجة بدل التسليم بها على سبيل الثقة. وكل منها مجموعة بيانات على Hugging Face.

  • Misraj-DocOCR

    معيار منتقى تحقّق منه خبراء للتعرّف الضوئي على المستندات العربية، مبني حول الحفاظ على البنية: 400 صفحة تحقّق منها خبراء، واقعية واصطناعية، تغطي الكتب والتقارير والنماذج والتخطيطات المعقّدة. وتحمل كل صفحة مرجعًا صحيحًا لدقة النص ودقة التخطيط معًا: جداول Markdown وHTML والقوائم والحواشي والمعادلات والعلامات المائية والنصوص متعددة الأعمدة والتعليقات الهامشية.

    هاجينج فيساقرأ المزيد

  • SadeedDiac-25

    معيار للتشكيل العربي يجمع العربية الفصحى المعاصرة والعربية التراثية في مجموعة بيانات واحدة. تغطي المعايير القائمة إحداهما دون الأخرى، بتنوّع محدود في المجالات وجودة غير متسقة. ويغطي SadeedDiac-25 نصوص الأخبار والدين والسياسة والرياضة وفنون الطهي، ووُسِم عبر مراجعة خبراء متعددة المراحل، وصُمِّم لتفادي التلوّث من مدوّنات التدريب المسبق واسعة النطاق.

    هاجينج فيساقرأ المزيد

  • Tarjama-25

    معيار للترجمة الآلية ثنائية الاتجاه بين العربية والإنجليزية يضم 5,000 زوج جملة راجعها خبراء. الجمل طويلة (نحو 50 إلى 100 رمز) وموزّعة بتوازن على النصوص العلمية والتقنية والصحية والثقافية والعامة، وقد كُتب نصفها أصلًا بالعربية ونصفها بالإنجليزية قبل ترجمتها احترافيًا والتحقق منها في الاتجاهين.

    هاجينج فيساقرأ المزيد

مستودعات الشيفرة

كل مستودع في منظّمة Misraj على GitHub، بترتيب الكتالوج. ولا تُعرض التراخيص إلا حيث يذكر المستضيف ترخيصًا يستطيع تحديده، وحيث يتبع المستودع نموذجًا يُربط بصفحة ذلك النموذج.

  • حزمة kawn.ai لبايثون

    العميل الرسمي بلغة بايثون لواجهة نماذج kawn.ai. يوفّر خدمة للتمثيلات الشعاعية وخدمة للتعرّف الضوئي على الحروف عبر Baseer، لكلٍّ منهما صيغة متزامنة وأخرى غير متزامنة، ويقرأ مفتاحه من متغيّر البيئة MISRAJ_API_KEY.

    PythonMITkawn.ai

    جيت هاب

  • تكامل LlamaIndex مع Kawn

    أغلفة LlamaIndex لحزمة Kawn: ‏KawnEmbedding لتمثيل المستندات والاستعلامات، و‏BaseerReader الذي يقرأ ملفات PDF والصور عبر خدمة Baseer للتعرّف الضوئي ويحوّلها إلى مستندات LlamaIndex.

    PythonMITllama-index-kawn

    جيت هاب

  • واجهة QuranHub البرمجية

    واجهة REST للقرآن الكريم تغطي طبعات ولغات متعددة: الترجمات والتفاسير والتلاوات الصوتية والبحث وأحكام التجويد وبيانات بنية المصحف. مبنية على FastAPI و PostgreSQL.

    PLpgSQL

    جيت هاب

  • Sadeed

    مستودع الشيفرة المنشور مع نموذج التشكيل Sadeed وورقته البحثية.

    Jupyter Notebook

    جيت هابعرض النموذج

  • تقييم Mutarjim

    مستودع التقييم المنشور مع نموذج الترجمة Mutarjim وورقته البحثية.

    Python

    جيت هابعرض النموذج

  • مسار Nakba

    يعيد إنتاج نتيجة نموذج مسراج في مهمة Nakba-NLP 2026 المشتركة للتعرّف على النص العربي المكتوب بخط اليد.

    Python

    جيت هابعرض النموذج

  • منقّي البيانات العربية لـ Kuwain

    مستودع تنقية البيانات العربية المنشور مع نموذج Kuwain 1.5B وورقته البحثية.

    Jupyter Notebook

    جيت هابعرض النموذج

  • Wasm

    مستودع مسار العمل المنشور مع ورقة Wasm حول بناء مدوّنات عربية متعددة الوسائط ومتداخلة ومنظَّمة.

    Python

    جيت هاب

الأوراق ذات المسودّة أو المستودع العام

الأوراق التي يمكن قراءتها أو إعادة تشغيلها اليوم. أما الأوراق التي ما تزال قيد المراجعة فمكانها صفحة المنشورات.

ما هو غير مفتوح

مدوّنة التدريب المسبق العربية البالغة 2 تريليون رمز مملوكة ولم تُنشر. وعدة نماذج مرخّصة ترخيصًا مفتوحًا في الكتالوج لكن لا أوزان منشورة لها بعد؛ وحيثما كان الأمر كذلك، لا يُربط أعلاه إلا الأثر الموجود فعلًا. ولا شيء هنا ينوب عن شيء غير موجود.

لنتحدث عمّا تحاول بناءه.

أخبرنا بالمشكلة، وسنخبرك بصراحة إن كان الذكاء الاصطناعي هو الحل الصحيح.